统计学习理论基础/大数据丛书
全新正版 极速发货
￥ 30.8 7.2折 ￥ 43 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者(美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建
出版社机械工业
ISBN9787111555223
出版时间2017-03
装帧其他
开本其他
定价43元
货号3791001
上书时间2024-10-21
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
吉尔伯特·哈曼(GilbertHarman)博士被评为普林斯顿大学哲学系”詹姆斯麦克唐奈杰出教授”，同时也是认知科学协会高级研究员，他在伦理学、统计学习理论、推理心理学和逻辑学等研究领域发表了五十余篇论文。
桑吉夫·库尔卡尼(SanjeevKulkami)博士是普林斯顿大学电气工程系教授，同时也在运筹学与金融工程系及哲学系担任教职。Kulkami博士在统计模式识别、参数估计、机器学习、信息论等领域发表了大量论文及专著，他是IEEE院士、曾荣获2007年度普林斯顿大学校长杰出教学成果奖。
目录
译者序
前言
第1章 引言：分类、学习、特征及应用
1.1 范围
1.2 为什么需要机器学习？
1.3 一些应用
1.3.1 图像识别
1.3.2 语音识别
1.3.3 医学诊断
1.3.4 统计套利
1.4 测量、特征和特征向量
1.5 概率的需要
1.6 监督学习
1.7 小结
1.8 附录：归纳法
1.9 问题
1.10 参考文献
第2章 概率
2.1 一些基本事件的概率
2.2 复合事件的概率
2.3 条件概率
2.4 不放回抽取
2.5 一个经典的生日问题
2.6 随机变量
2.7 期望值
2.8 方差
2.9 小结
2.10 附录：概率诠释
2.11 问题
2.12 参考文献
第3章 概率密度
3.1 一个二维实例
3.2 在\[0,1\]区间的随机数
3.3 密度函数
3.4 高维空间中的概率密度
3.5 联合密度和条件密度
3.6 期望和方差
3.7 大数定律
3.8 小结
3.9 附录:可测性
3.1 0问题
3.1 1参考文献
第4章 模式识别问题
4.1 一个简单例子
4.2 决策规则
4.3 成功基准
4.4 最佳分类器：贝叶斯决策规则
4.5 连续特征和密度
4.6 小结
4.7 附录：不可数概念
4.8 问题
4.9 参考文献
第5章 最优贝叶斯决策规则
5.1 贝叶斯定理
5.2 贝叶斯决策规则
5.3 最优及其评论
5.4 一个例子
5.5 基于密度函数的贝叶斯定理及决策规则
5.6 小结
5.7 附录：条件概率的定义
5.8 问题
5.9 参考文献
第6章 从实例中学习
6.1 概率分布知识的欠缺
6.2 训练数据
6.3 对训练数据的假设
6.4 蛮力学习方法
6.5 维数灾难、归纳偏置以及无免费午餐原理
6.6 小结
6.7 附录:学习的类型
6.8 问题
6.9 参考文献
第7章 最近邻规则
7.1 最近邻规则
7.2 最近邻规则的性能
7.3 直觉判断与性能证明框架
7.4 使用更多邻域
7.5 小结
7.6 附录:当人们使用最近邻域进行推理时的一些问题
7.6.1 谁是单身汉?
7.6.2 法律推理
7.6.3 道德推理
7.7 问题
7.8 参考文献
第8章 核规则
8.1 动机
8.2 最近邻规则的变体
8.3 核规则
8.4 核规则的通用一致性
8.5 势函数
8.6 更多的通用核
8.7 小结
8.8 附录：核、相似性和特征
8.9 问题
8.10 参考文献
第9章 神经网络:感知器
9.1 多层前馈网络
9.2 神经网络用于学习和分类
9.3 感知器
9.3.1 阈值
9.4 感知器学习规则
9.5 感知器的表达能力
9.6 小结
9.7 附录：思想模型
9.8 问题
9.9 参考文献
第10章 多层神经网络
10.1 多层网络的表征能力
10.2 学习及S形输出
10.3 训练误差和权值空间
10.4 基于梯度下降的误差最小化
10.5 反向传播
10.6 反向传播方程的推导
10.6.1 单神经元情况下的推导
10.6.2 多层网络情况下的推导
10.7 小结
10.8 附录:梯度下降与反射平衡推理
10.9 问题
10.10 参考文献
第11章 可能近似正确（PAC）
学习
11.1 决策规则分类
11.2 来自一个类中的最优规则
11.3 可能近似正确准则
11.4 PAC学习
11.5 小结
11.6 附录：识别不可辨元
11.7 问题
11.8 参考文献
第12章 VC维
12.1 近似误差和估计误差
12.2 打散
12.3 VC维
12.4 学习结果
12.5 举例
12.6 神经网络应用
12.7 小结
12.8 附录:VC维与波普尔（Popper）维度
12.9 问题
12.10 参考文献
第13章 无限VC维
13.1 类层次及修正的PAC准则
13.2 失配与复杂性间的平衡
13.3 学习结果
13.4 归纳偏置与简单性
13.5 小结
13.6 附录：均匀收敛与泛致性
13.7 问题
13.8 参考文献
第14章 函数估计问题
14.1 估计
14.2 成功准则
14.3 最优估计：回归函数
14.4 函数估计中的学习
14.5 小结
14.6 附录：均值回归
14.7 问题
14.8 参考文献
第15章 学习函数估计
15.1 函数估计与回归问题回顾
15.2 最近邻规则
15.3 核方法
15.4 神经网络学习
15.5 基于确定函数类的估计
15.6 打散、伪维数与学习
15.7 结论
15.8 附录：估计中的准确度、精度、偏差及方差
15.9 问题
15.10 参考文献
第16章 简明性
16.1 科学中的简明性
16.1.1 对简明性的明确倡导
16.1.2 这个世界简单吗?
16.1.3 对简明性的错误诉求
16.1.4 对简明性的隐性诉求
16.2 排序假设
16.2.1 两种简明性排序法
16.3 两个实例
16.3.1 曲线拟合
16.3.2 枚举归纳
16.4 简明性即表征简明性
16.4.1 要确定表征系统吗?
16.4.2 参数越少越简单吗?
16.5 简明性的实用理论
16.6 简明性和全局不确定性
16.7 小结
16.8 附录:基础科学和统计学习理论
16.9 问题
16.10 参考文献
第17章 支持向量机
17.1 特征向量的映射
17.2 间隔最大化
17.3 优化与支持向量
17.4 实现及其与核方法的关联
17.5 优化问题的细节
17.5.1 改写分离条件
17.5.2 间隔方程
17.5.3 用于不可分实例的松弛变量
17.5.4 优化问题的重构和求解
17.6 小结
17.7 附录:计算
17.8 问题
17.9 参考文献
第18章 集成学习
18.1 弱学习规则
18.2 分类器组合
18.3 训练样本的分布
18.4 自适应集成学习算法（AdaBoost）
18.5 训练数据的性能
18.6 泛化性能
18.7 小结
18.8 附录：集成方法
18.9 问题
18.10 参考文献
内容摘要
《统计学习理论基础/大数据丛书》原作者桑吉夫·库尔卡尼、吉尔伯特·哈曼是美国普林斯顿大学电气工程系和哲学系的两位教授，本书是在普林斯顿大学“电气工程及原理”课程中关于“学习理论和认知论”的入门性课程基础上形成的。
全书共包含18章，从概率密度、贝叶斯决策理论引入样本学习的基本概念，进而介绍了最近邻域学习、核学习及神经网络学习，在此基础上探讨了PCA学习、VC维概念、函数估计问题等，最后重点介绍了非常实用的支持向量机(SVM)及BOOSTING算法。各章均包含小结、附录、问题及参考文献，非常适合高等院校计算机类及电气类、自动化类研究生及本科高年级学生作为参考书。
— 没有更多了 —
以下为对购买帮助不大的评价